2. 传感器基础
城市NOA（Navigate on Autopilot，领航辅助驾驶）系统面临的核心挑战，是在复杂、动态、高度随机的城市场景中实现可靠的环境感知。与高速公路相比，城市道路包含大量不规则交通参与者（行人、骑行者、三轮车）、复杂路口、临时施工、遮挡严重的窄路以及多变的照明条件。没有任何单一传感器能在所有工况下同时满足探测距离、角度分辨率、速度测量和成本约束。因此，理解各类传感器的物理原理、性能边界及其在NOA系统中的角色定位，是进行传感器选型和融合方案设计的基础。本章将逐一剖析摄像头、毫米波雷达、激光雷达和超声波雷达的工作原理，并通过对比分析与选型逻辑，阐明它们如何协同构建城市NOA的感知基座。
上图展示了城市NOA系统中四类传感器的典型布局与数据汇聚关系。摄像头提供最丰富的语义信息，毫米波雷达负责远距离测速与全天候探测，激光雷达提供高精度三维几何，超声波雷达则覆盖近距盲区。融合模块接收各传感器的预处理结果，在统一时空坐标系下生成鸟瞰视角（BEV）的障碍物列表与可行驶区域，供后续预测与规划模块使用。下面逐一解析各传感器的工作原理与工程特性。
2.1 摄像头：语义理解的核心
核心原理
摄像头基于CMOS或CCD图像传感器，通过光学镜头将环境光投射到像素阵列上，利用光电效应将光信号转换为电信号，再经ADC（模数转换器）输出数字图像。在NOA系统中，通常采用8MP像素、120°以上水平视场角的摄像头，配合全局快门或卷帘快门，以10-30fps的帧率采集图像。其核心优势在于能够提供丰富的纹理、颜色和边缘信息，这是实现车道线检测、交通标志识别、行人姿态估计和红绿灯状态判断的基础。摄像头本质上是一个被动传感器，依赖环境光照，因此在逆光、夜间无路灯、隧道出入口等场景下性能会显著下降。
判断方法与关键参数
- 分辨率与视场角（FOV）：分辨率决定远处小目标的像素占比，FOV决定覆盖范围。前视主摄像头通常采用8MP（3840×2160）搭配120°-140°FOV，兼顾远距清晰度与近距广角覆盖。
- 动态范围（HDR）：城市道路明暗对比强烈，要求摄像头具备120dB以上的HDR能力，避免高光溢出或暗部死黑。
- 帧率与延迟：NOA系统要求摄像头帧率≥30fps，端到端延迟≤50ms，否则在高速变道或紧急制动场景下会产生明显控制滞后。
- 标定与同步：摄像头内参（焦距、畸变）和外参（安装位置、朝向）需精确标定，且与激光雷达、毫米波雷达的时间同步误差应小于10ms。
实战场景：夜间城市路口
在夜间无路灯的十字路口，摄像头可能因光照不足而无法识别行人轮廓。此时，系统需依赖毫米波雷达确认目标存在，并利用激光雷达的点云补充几何信息。若仅依赖摄像头，系统可能将深色衣物行人误判为背景。工程上，可通过融合策略设定置信度阈值：当摄像头置信度低于0.6且毫米波雷达检测到反射截面积（RCS）大于0.5m²的目标时，强制输出“疑似行人”并降低制动触发阈值。
2.2 毫米波雷达：全天候测速与远距探测
核心原理
毫米波雷达发射调频连续波（FMCW）信号，频率通常在76-81GHz。雷达通过混频器将发射信号与接收信号进行差频处理，得到中频信号，再经FFT（快速傅里叶变换）提取目标的距离、速度和角度信息。其核心优势在于：①直接测量径向速度（多普勒效应），无需帧间差分；②对雨雾尘雪等恶劣天气的穿透能力远强于摄像头和激光雷达；③探测距离可达200m以上，适合高速场景的远距预警。然而，毫米波雷达的角分辨率较低（典型4D雷达约1°-2°），难以区分并排行走的行人，且对静止目标的检测能力较弱（因多普勒频移为零）。
特性对比与选型要点
| 参数维度 | 3D毫米波雷达 | 4D成像雷达 | NOA选型建议 |
|---|---|---|---|
| 探测距离 | 150-200m | 200-300m | 前向主雷达选4D，侧向选3D |
| 角分辨率 | 水平3°-5° | 水平1°-2° | 4D雷达可区分相邻车道目标 |
| 速度精度 | ±0.1m/s | ±0.05m/s | 均满足NOA需求 |
| 俯仰角测量 | 无 | 有（±15°） | 4D可检测高架桥/立交目标 |
| 成本 | 低（约500元） | 中（约1500元） | 根据车型定位选择 |
案例拆解：毫米波雷达的静止目标过滤问题
某NOA测试车辆在高速公路上行驶时，系统误将路侧金属护栏识别为静止障碍物并触发紧急制动。排查发现，毫米波雷达对静止目标的检测依赖多帧匹配和航迹管理，当护栏的雷达反射截面积（RCS）较大且连续多帧出现在同一位置时，算法会将其判定为“静止障碍物”。解决方案是：①在融合层引入摄像头语义信息，若摄像头识别为“护栏”或“路沿”，则降低其障碍物优先级；②对静止目标设置距离梯度阈值，当目标距离大于80m且横向偏移大于车道宽度时，延迟确认时间至0.5s以上。
2.3 激光雷达：高精度三维几何重建
核心原理
激光雷达（LiDAR）通过发射激光脉冲并测量反射光的时间差（TOF，飞行时间）来计算目标距离。机械式激光雷达通过旋转镜面实现360°扫描，半固态（MEMS）和固态（OPA/Flash）则通过微振镜或相控阵实现特定视场角的扫描。激光雷达输出的是三维点云，每个点包含(x, y, z)坐标和反射强度值。其核心优势在于：①厘米级测距精度（±2cm）；②高角分辨率（0.1°-0.2°），能清晰勾勒目标轮廓；③不受环境光照影响，夜间性能稳定。但激光雷达在雨雾天气下衰减严重，且成本较高（半固态约5000-10000元），点云数据量庞大（每秒数十万点），对计算平台提出较高要求。
选型逻辑与部署策略
- ROI（感兴趣区域）策略：城市NOA中，激光雷达不必360°全覆盖，通常在前向和侧前向部署1-3颗，覆盖车辆前方120°、80m范围内的关键区域，用于精确测量近距离切入车辆和行人。
- 线束选择：128线激光雷达适合远距（150m）探测，但成本高；16线或32线适合近距补盲（50m内），性价比更高。主流方案采用“1颗128线前向 + 2颗16线侧向”的组合。
- 点云处理：需经过地面分割、聚类、目标跟踪等步骤，计算量约为每帧100ms（CPU）或30ms（GPU/NPU）。建议将点云降采样至10万点/帧以内，以保证实时性。
实战场景：城市窄路会车
在宽度仅3.5m的狭窄街道上，两车相向而行，摄像头可能因视角遮挡无法判断对向车辆的外轮廓，毫米波雷达则因角分辨率不足难以区分车辆与路沿。此时，激光雷达的点云能清晰呈现对向车辆的边缘和距离，系统可据此计算安全会车路径。实测数据显示，在配备1颗128线激光雷达的测试车上，窄路会车的横向控制精度从±15cm提升至±5cm，显著降低了剐蹭风险。
2.4 超声波雷达：近距盲区的最后防线
核心原理
超声波雷达利用压电陶瓷换能器发射40kHz左右的超声波，并接收回波，通过测量发射与接收的时间差计算距离。其探测距离通常在0.2-5m，精度约±1cm，响应速度较慢（约50ms）。超声波雷达成本极低（单个约50元），且对非金属物体（如行人腿部）也有较好的反射特性，因此被广泛用于自动泊车和低速盲区监测。在NOA系统中，超声波雷达主要承担最后1-2米的近距离防碰撞功能，例如在拥堵跟车、泊车入位时提供厘米级距离信息。
工程应用与局限性
- 安装位置：前保险杠4颗、后保险杠4颗，共8颗形成360°近距覆盖。
- 盲区补偿：超声波雷达在车速超过10km/h时因风噪干扰性能下降，需与摄像头鱼眼镜头融合，在低速时以超声波为主，高速时以视觉为主。
- 温度补偿：声速随温度变化（约0.6m/s/℃），需内置温度传感器进行实时修正，否则在极端温差下测距误差可达5cm。
案例拆解：超声波雷达的误报与漏报
某车型在雨天泊车时，超声波雷达频繁误报“障碍物”，导致自动泊车中断。排查发现，雨水在保险杠表面形成水膜，对超声波产生镜面反射，造成虚假回波。解决方案：①在雷达信号处理中增加回波幅度阈值，过滤弱反射信号；②结合摄像头图像判断是否为真实障碍物；③在软件中增加“雨天模式”，降低超声波灵敏度并延长确认时间。